dt = DecisionTreeClassifier(max_depth=5) dt.fit(X_train, y_train) y_prob = dt.predict_proba(X_test)[:, 1] y_pred = np.where(y_prob > 0.5, 1, 0) dt.score(X_test, y_pred) confusion_matrix(y_test, y_pred) metrics.roc_auc_score(y_test, y_pred) from sklearn.metrics import roc_curve, auc false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob) roc_auc = auc(false_positive_rate, true_positive_rate) import matplotlib.pyplot as plt plt.figure(figsize=(10, 10)) plt.title('ROC') plt.plot(false_positive_rate, true_positive_rate, color='red', label='AUC = %0.2f' % roc_auc) plt.legend(loc='lower right') plt.plot([0, 1], [0, 1], linestyle='--') plt.axis('tight') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.show() 这段代码的意思

这段代码展示了如何使用决策树分类器（DecisionTreeClassifier）来进行二分类任务，并对模型进行评估和可视化。其中 max_depth 参数限制了决策树的最大深度，X_train 和 y_train 是训练数据集，X_test 是测试数据集。模型预测结果包括了概率（y_prob）和分类标签（y_pred），在计算模型得分（score）、混淆矩阵（confusion_matrix）和 ROC 曲线下面积（roc_auc_score）时需要用到分类标签。使用 roc_curve 和 auc 函数计算 ROC 曲线和 AUC 值，并使用 matplotlib 库进行可视化展示。最后，展示了 ROC 曲线的图像，并对图像进行了标注。